
作者:丁点helper
来源: 丁点帮你
前面2篇R语言相关的文章以泰坦尼克号的数据为例,介绍了描述性统计中用到的计算操作,以及柱形图的绘制操作。今天我们继续聊聊如何在R中绘制直方图和散点图。
绘制直方图
仍使用titanic.csv这个数据。
# 导入数据 titanic <- read.csv("//Users//Desktop//titanic.csv",header = TRUE) names(titanic) # 查看titanic中的变量名 [1] "pclass" "survived" "sex" "age" "sibsp" "parch"
假设我们想对age这个变量绘制直方图,了解泰坦尼克号上乘客的年龄分布,可用hist()这个函数:
hist(titanic$age)
上图中直方图标题、颜色、坐标轴名称均可调整:
hist(titanic$age, col='orange', main='Passenger Age', lwd=2, xlab='Age (years)')
其中,col、main、xlab这三个命令在之前的文章中讲过;lwd为线条宽度命令,取值须为整数,默认值为1。
绘制散点图
接下来我们看看如何绘制散点图。还是老规矩,要用到的数据可通过以下方式下载:
文件名: wb.csv
链接: https://pan.baidu.com/s/1gOAuccW5i8cIW5HaPHnm8A
密码: nc5u
这是世界银行(word bank)对部分国家社会、经济、环境指标的统计数据。
# 导入数据 wb <- read.csv("//Users//Desktop//wb.csv",header = TRUE) names(wb) # 查看wb中的变量名 [1] "Country" "Code" "Population" "Rural" "GNI" "IncomeTop10" "Imports" [8] "Exports" "Military" "Cell" "Fertility66" "Fertility16" "Measles" "InfMort" [15] "LifeExp" "PM2.5" "Diesel" "CO2" "EnergyUse" "FossilPct" "Forest94" [22] "Forest14" "Deforestation" "GunTotal" "GunHomicide" "GunSuicide" "GunUnint" "GunUndet" [29] "GunsPer100"
这里我们先关注第五个变量『GNI』,其意义是人均国民收入。GNI是Gross National Income的缩写;再关注第18个变量『CO2』,其意义是人均二氧化碳排放量。
一项研究想观察人均国民收入和人均二氧化碳排放量之间存在何种关系,由于二者均为数值型变量,我们可以用散点图的方式直观感受一下:
plot(wb$GNI,wb$CO2, main="CO2 vs. GNI (both per capita)", xlab="Gni per capita", ylab="CO2 per capita", col="red", pch=19) # col命令的取值还可以是数字,本例中red对应的数字是2 plot(wb$GNI,wb$CO2, main="CO2 vs. GNI (both per capita)", xlab="Gni per capita", ylab="CO2 per capita", col=2, pch=19)
上面两条代码的运行结果是一样的。wb$GNI 和 wb$CO2 分别为散点图的横轴和纵轴;pch表示点的形状,取值为整数,本例中用到的19表示圆点。
下面用一个图片来给大家介绍1-20的数字分别代表什么颜色、什么形状:
plot(c(1:20),rep(1,20),col=c(1:20),pch=c(1:20),cex=2)
cex表示对图中的文本或符号放大多少倍,大家可自行在R中操作,感受cex=1时图像的变化。
举个例子,col=15:黄色;pch=15:方块。在R中,可选的颜色还有很多,大家可以查看下图中的颜色名称,绘图时在col命令中输入即可。
手机用户可横屏查看效果更佳,告别大红大蓝秋裤色就靠它了~
今天就学到这里啦,之后还有更多R绘图课程来和大家见面!
——热门课程推荐:
想从事业务型数据分析师,您可以点击>>>“数据分析师”了解课程详情;
想从事大数据分析师,您可以点击>>>“大数据就业”了解课程详情;
想成为人工智能工程师,您可以点击>>>“人工智能就业”了解课程详情;
想了解Python数据分析,您可以点击>>>“Python数据分析师”了解课程详情;
想咨询互联网运营,你可以点击>>>“互联网运营就业班”了解课程详情;
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
用 SQL 生成逆向回滚 SQL:数据操作的 “后悔药” 指南 在数据库操作中,误删数据、错改字段或误执行批量更新等问题时有发生。 ...
2025-07-14如何考取数据分析师证书:以 CDA 为例 在数字化浪潮席卷各行各业的当下,数据分析师已然成为企业挖掘数据价值、驱动决策的 ...
2025-07-14t检验与Wilcoxon检验的选择:何时用t.test,何时用wilcox.test? t 检验与 Wilcoxon 检验的选择:何时用 t.test,何时用 wilcox. ...
2025-07-14AI 浪潮下的生存与进阶: CDA数据分析师—开启新时代职业生涯的钥匙(深度研究报告、发展指导白皮书) 发布机构:CDA数据科 ...
2025-07-13LSTM 模型输入长度选择技巧:提升序列建模效能的关键 在循环神经网络(RNN)家族中,长短期记忆网络(LSTM)凭借其解决长序列 ...
2025-07-11CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-11数据透视表中两列相乘合计的实用指南 在数据分析的日常工作中,数据透视表凭借其强大的数据汇总和分析功能,成为了 Excel 用户 ...
2025-07-11尊敬的考生: 您好! 我们诚挚通知您,CDA Level I和 Level II考试大纲将于 2025年7月25日 实施重大更新。 此次更新旨在确保认 ...
2025-07-10BI 大数据分析师:连接数据与业务的价值转化者 在大数据与商业智能(Business Intelligence,简称 BI)深度融合的时代,BI ...
2025-07-10SQL 在预测分析中的应用:从数据查询到趋势预判 在数据驱动决策的时代,预测分析作为挖掘数据潜在价值的核心手段,正被广泛 ...
2025-07-10数据查询结束后:分析师的收尾工作与价值深化 在数据分析的全流程中,“query end”(查询结束)并非工作的终点,而是将数 ...
2025-07-10CDA 数据分析师考试:从报考到取证的全攻略 在数字经济蓬勃发展的今天,数据分析师已成为各行业争抢的核心人才,而 CDA(Certi ...
2025-07-09【CDA干货】单样本趋势性检验:捕捉数据背后的时间轨迹 在数据分析的版图中,单样本趋势性检验如同一位耐心的侦探,专注于从单 ...
2025-07-09year_month数据类型:时间维度的精准切片 在数据的世界里,时间是最不可或缺的维度之一,而year_month数据类型就像一把精准 ...
2025-07-09CDA 备考干货:Python 在数据分析中的核心应用与实战技巧 在 CDA 数据分析师认证考试中,Python 作为数据处理与分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 检验:数据趋势与突变分析的有力工具 在数据分析的广袤领域中,准确捕捉数据的趋势变化以及识别 ...
2025-07-08备战 CDA 数据分析师考试:需要多久?如何规划? CDA(Certified Data Analyst)数据分析师认证作为国内权威的数据分析能力认证 ...
2025-07-08LSTM 输出不确定的成因、影响与应对策略 长短期记忆网络(LSTM)作为循环神经网络(RNN)的一种变体,凭借独特的门控机制,在 ...
2025-07-07统计学方法在市场调研数据中的深度应用 市场调研是企业洞察市场动态、了解消费者需求的重要途径,而统计学方法则是市场调研数 ...
2025-07-07CDA数据分析师证书考试全攻略 在数字化浪潮席卷全球的当下,数据已成为企业决策、行业发展的核心驱动力,数据分析师也因此成为 ...
2025-07-07